使用fastai的unet_learner做迁移学习报Target 20越界错误如何解决？

错误原因 #

这个报错的核心是模型输出的类别数和实际标签中的最大值不匹配：fastai的分割模型默认使用codes数组的长度作为输出类别数，索引从0开始计数。
从你提供的信息可以直接定位问题：

1. 你的标签中存在数值20，意味着需要codes数组至少有21个元素（索引范围0~20）
2. 你输出的codes数组只有20个元素，最大索引为19，完全匹配不上标签的20值，因此触发越界错误。
   进一步排查可以打印len(codes)和dls.c验证：dls.c是fastai识别的类别数，此时输出一定是20，和你的标签最大值20不匹配。

解决方法 #

根据你的实际类别数二选一处理：

情况1：你确实有21个类别（标签值范围0~20） #

你在转换codes数组时指定了dtype='<U17'，限制了字符串长度，同时大概率遗漏了最后一个类别Palustrine Aquatic Bed。修改codes生成逻辑即可：

# 去掉固定字符串长度限制，直接转换
codes = np.array(classes_list)
# 确认长度为21后再传入dls
print(len(codes))

重新生成dls后，dls.c会变为21，匹配标签的最大值。

情况2：你实际只有20个类别（标签值范围1~20，从1开始计数） #

这种情况需要把标签值统一减1，映射到0~19的索引范围，和20个长度的codes对应。你可以在创建dls时自定义标签处理逻辑：

def label_func(fn): 
    label_path = pathB/"labels"/f"{fn.stem}_P.png"
    # 读取标签后把所有值减1
    y = np.array(Image.open(label_path)) - 1
    return PILMask.create(y)

# 生成dls的时候传入自定义的y处理逻辑
dls = SegmentationDataLoaders.from_label_func(
    pathB, bs=8, fnames = fnames, 
    label_func = label_func, codes = codes
)

处理完成后再执行unet_learner和fine_tune即可正常运行。

内容的提问来源于stack exchange，提问作者OctoCatKnows